一、卡尔曼滤波的一种改进算法在GPS中的应用(论文文献综述)
张旭[1](2021)在《基于Airsim的无人机导航卡尔曼滤波算法改进与仿真实验》文中研究说明随着无人机技术的不断发展和更新,无人机已经被被广泛的应用于各行各业,如教育科研领域;摄影测量领域;军事打击领域;警用安全领域;农业植保领域等。并且由于无人机的三维运动特性和现实三维场景的复杂程度大大地拓展的无人机在自动化领域的发展方向。伴随着中国的北斗卫星于2020年6月23日组网成功,组合导航系统在无人机中的应用将会得到进一步的发展。高精度卫星导航与惯性导航的组合导航系统有先天的优劣势互补情况,能为对方补足缺点,从而使整个导航系统的精确度以及鲁棒性得到提高,组合导航技术也是未来研究和发展的必然趋势。通过高精度卫星导航与其他如惯性导航、视觉导航和多普勒导航等技术进行的组合导航可以使导航系统适应各种需求,从而达到高精度定位导航的目的。在针对高精度卫星导航的研究中出现了各式各样的组合导航系统,它们有各自的优势但同时也有相应的弊端。本论文主要是对GPS/INS的组合导航系统的理论基础下进行研究和讨论,在深入研究和推导了该系统中常用坐标系及转换、松组合算法模型原理、导航数据滤波融合的基础上,重点研究扩展卡尔曼滤波(EKF)算法在组合导航技术下两导航系统输出的数据融合阶段的应用,在详细研究和推导扩展卡尔曼滤波(EKF)算法在此阶段弊端的基础上,结合相关文献对扩展卡尔曼滤波算法进行了改进并实现,通过相关实验对其性能进行了各方面的分析和验证。本文的主要内容包括以下几点:1)在对国内外研究现状和进展进行细致的探讨和研究之后发现,GPS/INS卫星组合导航系统由于环境的复杂性和多变性导致EKF滤波算法的关系矩阵以及噪声协方差矩阵确定起来非常的困难。基于自适应滤波算法的思想对扩展卡尔曼滤波进行改进,将三个同时运行的扩展卡尔曼并联起来,每个滤波都有自己的假设模型,根据每个滤波算法的测量残余给它们的输出值赋予不同的权重,然后对三个滤波算法的输出值进行加权平均最后输出最优估计值,这样改进后的滤波算法就更能适应复杂多变的导航环境。为了验证改进后滤波算法的性能使用反三角函数作为非线性系统通过输入随机数的方式将其与普通的EKF滤波算法进行对比实验,从误差的数学期望和方差两方面进行详细分析对比。结果显示,改进的滤波算法在误差精度和稳定性方面都有提升。2)详细介绍了微软公司研发的仿真平台Airsim,并对比了现今主流的仿真框架的优劣。此仿真平台发布于2017年并逐年完善其仿真功能,开始主要针对四旋翼飞行器的模拟仿真,后来扩展了自动驾驶汽车。支持Camera、IMU、Magnetometer(地磁)、GPS、Barometer(气压计)、Distance、Lidar等传感器。核心组件包含环境模型,汽车物理模型,物理引擎模型,各类型传感器模型,以及可供调用的ABI和API层。3)为验证改进后的自适应滤波算法在无人机飞控中的有效性,现将改进的滤波算法和普通的扩展卡尔曼滤波算法与四旋翼无人机相结合进行对比实验。本文采用Airsim中的四旋翼无人机作为实验载体,在充分的验证了仿真环境中的实验载体与真实世界的相似程度后,将实验载体按照设定好的风速和规划好的路径进行飞行实验。通过仿真实验的验证,相比于普通的扩展卡尔曼滤波算法改进后的滤波算法误差精度更高滤波的稳定性也更好。
方磊[2](2021)在《基于多旋翼无人机海洋气象数据采集系统设计》文中研究表明海洋气象数据采集要素主要包括温度、湿度、气压、风速和风向。现有的海洋气象数据采集多以监测站和雷达卫星为主,难以开展监测站以外的精细化气象数据采集工作。现有的GPS下投式探空仪多用于高空气象数据探测,难以满足在海洋方面的数据精度要求,本文基于多旋翼无人机高机动性和易操作等特点,结合GPS测风技术和动态卡尔曼滤波算法设计了一种海洋气象数据采集系统。本文主要内容由以下几个部分组成:(1)基于现有的GPS下投式探空仪技术和GPS测风技术的研究成果和基础理论,本文通过分析GPS在海洋动态定位中存在的测量误差和多路径效应,建立海面动态多路径误差模型和常规测量误差模型,结合交互式多模型算法与卡尔曼滤波算法,提出了一种动态卡尔曼滤波算法,来降低GPS在海洋上定位误差,提高测风算法的计算结果。(2)该系统硬件部分以STM32F030CCT6为控制核心,搭建其外围基本电路,并完成对各个传感器的选型和外部电路设计;软件部分通过keil软件编写各个传感器的通信程序和动态滤波算法的测风程序,并通过通信协议(ASCII)实现与上位机通信。(3)基于LabVIEW软件平台,采用图形化G语言构建气象数据接收、显示、预处理和存储为一体的直观化显示界面,并通过界面运行结果验证上位机的可行性。
崔海路[3](2021)在《基于LiDAR和IMU融合的智能车组合定位导航技术研究》文中研究指明随着社会对自主导航产品需求的提高,自动驾驶技术的研究也不断深入,其中,定位技术是实现自动驾驶技术的前提。目前,针对定位难题已有很多解决方法,比如基于IMU惯导或轮式里程计的航迹推算定位算法,可实现短时间定位,然而它会随时间累积误差变大;基于激光雷达或视觉的环境感知定位算法,可以精确识别当前的位姿状态,然而它会随时间丢失全局位姿方向。因此,本文在分析单一传感器定位算法效果缺陷基础上,采用误差状态卡尔曼滤波算法(ESKF),融合激光雷达和惯性导航单元(IMU)信息,从而获得位姿估计状态。同时,提出一种改进的ICP点云帧间匹配算法。通过将点云数据栅格体素化下采样处理,降低了冗余点云的干扰,再对激光点云的最近点对进行二次筛选,提高了帧间点云配准速度和精度。最后,通过ESKF融合定位信息构建3D点云地图。通过帧间匹配进行第一步的优化迭代匹配,输出较高频率的激光里程计信息,然后加入ESKF算法,融合激光里程计和IMU预积分后的优化因子,以更高频率输出里程计帧间变换信息,最后使用当前点云帧到局部点云的匹配方式建立点云地图。通过与传统LOAM建图算法进行实验对比,结果表明ESKF算法融合IMU定位的激光里程计精度和建图效果高于LOAM算法。可得出结论:ESKF算法融合多传感器信息的定位精度,可弥补单一传感器状态估计算法的对状态估计的不足。
王勇军[4](2021)在《融合多源信息的小型多旋翼无人机位姿估计方法研究》文中提出小型多旋翼飞行器在整个航空领域扮演着越来越重要的角色,其关键技术是飞控系统中的位姿测量以及航姿的控制。本文针对低成本多旋翼无人机位姿精确量测需求,提出并解决了以下两个关键技术问题:1)如何精确可靠地测量无人机载体位姿并消除(或补偿)传感器的测量误差;2)如何利用多源信息融合进一步提高无人机载体位姿估计精度。针对上述关键问题,其相关理论与方法的研究具有重要的学术价值和现实意义,具体的研究内容及创新点可归纳为以下几个方面。(1)为解决无人机传感测量系统的误差问题,首先针对三轴磁强计、三轴加速度计和三轴陀螺仪的误差,给出了统一的三轴矢量传感器误差模型,分析了航姿角度误差及非对准误差,并通过理论分析指出,基于矢量模值不变特性的标量检验法校正传感器会对姿态角造成不可忽视的剩余误差。为此考虑结合三轴磁强计与三轴加速度计采用双矢量内积法和两步法来校正传感器误差及非对准误差。但是矢量内积法需要约束参考矢量,两步法校正非对准误差要求误差补偿矩阵是正交矩阵。因此,提出用于校正三轴矢量传感器的双内积法。双内积法结合标量校验法与矢量内积法的优点,构建双内积误差目标函数,通过对目标函数进行优化求解,得到的补偿矩阵能解决磁强计与机体坐标系及其他传感器之间的非对准误差,且在受测量噪声影响时仍能保持较好的校正效果。(2)三轴陀螺仪的误差大多在动态情况下才能显式的表出,校正三轴磁强计与三轴加速度的方法仅对陀螺仪的零偏等部分误差校正有效。为此提出了标定小型多旋翼无人机航姿测量系统中三轴MEMS陀螺仪的矢量外积算法。该算法能从本质上统一现有各种基于重力矢量的陀螺仪标定方法,表达式更为简洁,过程计算更方便,而且无需速率转台或其他精密基准,适合于使用环境下对三轴MEMS陀螺仪进行现场标定。通过数值模拟和六旋翼无人机现场标定及飞行实验表明,该方法能精确计算陀螺仪的各误差系数,且与采用转台标定方法的精度相当。将矢量外积标定法和递推数据滤波算法结合可获得稳定的姿态角数据,有利于无人机的飞行控制和载荷任务执行。(3)针对多旋翼无人机中姿态融合算法的问题,设计基于MARG传感器的航姿信息滤波结构,分析并改进无人机姿态融合滤波算法,验证姿态信息融合滤波器能提高无人机导航系统输出的姿态信息精度。针对无人机受运动加速度干扰的问题,为提高水平姿态信息融合的精度,提出一种基于矢量观测的运动加速度干扰抑制姿态融合算法。在此基础上,设计一种抑制加速度和磁场双干扰的矢量并行全姿态滤波器结构,将其与各种常用传感器滤波融合算法结合,不仅能对强干扰和持久性干扰具有更好的抑制性能,而且还可以提高多旋翼无人机的航姿估计可靠性和导航信息精度。(4)针对机载多源信息融合系统,设计多级分散滤波结构,采用联邦卡尔曼滤波算法进行信息融合。通过研究联邦滤波算法中信息分配系数的关键计算方法,分析现有基于协方差和故障概率的信息分配方法不能同时兼顾系统精度和容错性的缺陷,提出一种基于权衡因子的自适应信息分配方法。通过仿真验证,比较三种方法的融合误差,证明所提方法的可行性及可靠性。在联邦滤波算法的基础上,以GPS/电子罗盘/SINS/气压计组合导航系统的高程信息测量为例,给出系统的数学模型,完成信息融合并进行无人机飞行实验,证明了该方法可保障多旋翼无人机在复杂近地面环境下导航状态估计的精度与可靠性。
毋羽琦[5](2021)在《复杂环境中基于CKF的组合导航算法研究》文中研究指明随着社会以及科学技术的飞速发展,各行各业对实时高精度定位信息有了更高的要求。采用GNSS/INS组合导航系统进行定位能够克服单导航系统各自的缺点,可得到准确可靠的定位信息,因此GNSS/INS组合导航系统得到广泛的研究与应用。但是当汽车等载体运行在复杂城市环境中,卫星时常会受到高楼、隧道、立交桥或植被的遮挡,若依旧使用传统卡尔曼滤波算法会造成GNSS/INS组合导航系统定位结果精度下降甚至发散的情况。为了GNSS/INS组合导航系统在卫星信号长期被屏蔽的情况下仍然能提供准确的导航信息。本文提出了门控递归单元(Gated Recurrent Unit,GRU)神经网络辅助交互式多模型自适应鲁棒容积卡尔曼滤波(Interacting Multiple Model Adaptive Robust Cubature Kalman Filter,IMM-ARCKF)的信息融合算法。首先,为了解决使用GNSS/INS组合导航系统定位时系统模型不确定和噪声统计特性不确定带来的精度下降的问题,分别提出了自适应容积卡尔曼滤波(Adaptive Cubature Kalman Filter,ACKF)和鲁棒容积卡尔曼滤波(Robust Cubature Kalman Filter,RCKF)两种改进的CKF算法。为了减小动态模型误差的影响,引入自适应因子来调整预测的状态误差协方差矩阵。为了克服量测噪声统计误差的影响,提出了基于鲁棒估计的CKF算法进行在线调整量测噪声方差矩阵。其次,利用交互式多模型(Interacting Multiple Model,IMM)将上述两种改进的滤波器进行有效的融合,最终系统状态估计是两个子滤波器结果的概率加权和。该方法结合了上述两种改进滤波器各自的优点,有效抑制了系统模型和量测噪声统计不确定性对滤波解的干扰。最后,将GRU神经网络引入GNSS/INS组合导航系统,设计了训练与预测两种模式构成的新的组合导航系统。当可以接收到GNSS信号时,信息融合算法使用IMM-ARCKF算法,同时对GRU神经网络进行训练;在GNSS信号丢失时,由训练好的GRU神经网络预测GNSS的位置增量。对位置增量积分之后,再使用IMM-ARCKF算法进行滤波解算。为了评估本文提出算法的有效性,设计了仿真对比实验以及实际道路跑车实验。第三章实验结果表明,IMM-ARCKF算法有效抑制了系统模型的不确定性和量测噪声统计不确定性对滤波解的干扰。第四章实验结果表明提出的GRU/IMM-ARCKF算法能有效地提高GNSS中断期间GNSS/INS系统的定位准确性和可靠性。
李磊[6](2021)在《无人车视觉定位中非线性滤波方法研究》文中研究表明定位是无人驾驶中车辆准确确定自身位置的关键。视觉定位是通过对采集到的图像进行特征点提取和特征点匹配,并进行运动估计和滤波优化,从而获得车辆位置的一种方法,其相比于传统定位具有成本低、体积小的特点。但是在无人车长距离、长时间行驶过程中,由于受到车辆运动以及相机内参因素影响,导致系统模型存在非线性,难以获得准确的车辆位置信息。本文针对该非线性系统的定位估计问题展开研究,具体研究内容如下:本文首先介绍了视觉里程计基础理论,建立了视觉里程计相关的数学模型,然后针对视觉里程计中特征点提取时间长、准确率低的问题,设计出一种Harris-SIFT特征点提取算法,该算法在提取Harris角点后,在Harris角点的邻域内提取SIFT特征描述子,在保证准确度的情况下大大降低了算法的计算时间,最后在多种场合进行仿真实验验证,为后续章节滤波算法的研究奠定了基础。在传统视觉定位系统中,由于扩展卡尔曼滤波存在较大截断误差,提出一种基于强跟踪容积卡尔曼滤波的立体视觉定位算法,该算法利用球面径向容积准则对系统状态进行采样,然后通过非线性函数加权逼近目标状态,同时在迭代过程中引入多重次优渐消因子,根据状态变化实时调整增益矩阵,以提高系统在状态发生突变情况下的鲁棒性。最后使用KITTI数据集对该算法进行仿真实验验证,结果表明该算法能够有效减少视觉定位中的误差。针对粒子滤波中粒子多样性缺失所导致的位置估计不准确问题,提出一种基于粒子流滤波的立体视觉定位算法,该算法通过对同伦对数的微分方程求解,代替粒子滤波重采样,利用粒子流平滑地将状态粒子移动到目标区域,然后从目标区域获得准确得位置信息。仿真实验表明,粒子流滤波算法能够有效地提高视觉定位精度。为了进一步验证本文算法的有效性,本文搭建了硬件实验平台,通过立体相机采集校园的图像数据,构建数据集,对本文所提的两种算法进行了实车验证。结果表明,基于强跟踪容积卡尔曼滤波和基于粒子流滤波的视觉定位算法均能有效的降低定位误差。
刘潘[7](2020)在《车载GPS/INS组合定位研究》文中研究指明车载定位技术是自动驾驶核心技术之一。半遮蔽环境GPS信号弱,惯性器件误差随时间累积,使得导航设备在半遮蔽区域定位精度和稳定性均较差,自动驾驶对这两方面有着极高要求,因此,对半遮蔽区域车载GPS/INS组合定位在精度和稳定性上的研究有着重要意义。在动态定位精度方面,使用载波相位差分技术可以实现车辆在半遮蔽区域厘米级定位,在稳定性方面,融合车辆轮速档位信息可以快速修正由于惯性器件累积误差导致的定位偏差。本论文重点研究了这两方面的算法,搭建硬件平台进行了测试验证。本文研究工作:(1)本文阐述了卫星定位与惯性定位的背景及现状,建立了GPS与INS各误差模型,探索了双系统的时间同步,对双系统加权融合,实现了一种基于紧组合模式的车载GPS/INS组合定位系统。(2)本文在提升定位精度方面,阐述了基于载波相位差分的紧组合算法,详细推导了紧组合的系统状态方程,提出了LAMBDA方法对浮点解模糊度进行固定,半遮蔽区域也能得到高精度厘米级定位解。对于GPS观测值在受到各种干扰情况下极易出现粗差的问题,提出了一种基于新息检测的自适应卡尔曼滤波算法,降低了粗差出现概率。(3)在提升稳定性方面,为了解决车辆在半遮蔽区域转弯处定位结果出现严重偏离问题,提出了一种利用车辆轮速档位信息结合卫星原始数据与惯性器件原始数据组合参量对车辆静止状态进行判定的零速检测及修正方法,实测验证效果良好。(4)搭建了车载GPS/INS组合定位硬件平台,并使用C语言编程调试。(5)针对零速检测及修正算法进行了静态和动态两组对比测试,针对松组合与紧组合在空旷区域和半遮蔽区域进行了两组对比实验,结果表明采用修正算法后稳定性得到提升,在半遮蔽区域紧组合算法相对松组合算法精度得到提升。
彭万林[8](2020)在《基于UKF的SINS/GPS紧组合算法研究》文中指出将捷联惯性导航系统(Strap-down Inertial Navigation System,SINS)与全球定位导航系统(Global Positioning System,GPS)输出进行数据融合,得到性能更好的组合系统是当前导航领域发展的主流方向之一。无迹卡尔曼滤波滤波器(Unscented Kalman Filter,UKF)作为数据融合算法的一种,其在Kalman滤波框架下,用无迹变换(Unscented Transformation,UT)替代了将非线性函数线性化的传统做法,使系统受到极小的线性化误差影响,获得了较高的计算精度。因此,从UKF被提出后,便在工程上得到广泛应用。其次,在本文所研究的SINS/GPS紧组合系统中,以GPS接收机提供的伪距与伪距率参与系统校正,导航星座选取的速度与准确性将直接影响校正的效果。综上,本文将从GPS选星算法与SINS/GPS组合系统数据融合算法两个主要方面开展研究,工作内容如下:首先,本文从导航参考坐标系、常用导航参数及意义和捷联惯导基本原理出发,推导了捷联惯导解算方程,并简述了GPS导航系统的基本原理及主要误差来源。之后对非线性卡尔曼的基本原理进行了介绍,并详细探讨了其在组合导航系统中不同应用方式下的优缺点。其次,针对GPS系统,着重介绍了GPS的精度因子并分析了卫星几何分布对定位精度的影响,探讨了传统选星算法的性能优劣,接着依据星历信息对GPS可见卫星个数进行仿真。在可见卫星数较多时,传统选星算法计算量大的问题将会加剧,对此提出了一种新的快速选星策略,并通过matlab星历仿真,结合最优星座组合及其几何精度因子值进行比较,验证所提出算法的有效性。再次,本文详细介绍了UKF算法,并重点研究了不同采样策略获取的Sigma点对UKF算法的影响。为了在保证滤波精度前提下提高滤波算法实时性,采用最小偏度单形采样方式替代传统的对称采样,并引入自适应的比例缩放因子对UT变换采样过程实时修正。最后针对系统状态方程为线性的情况下,UKF算法的时间更新过程中引入KF算法的简洁形式,避免了传统UKF算法在时间更新过程中因UT变换产生额外计算。然后通过matlab仿真,并与EKF(Extended Kalman Filter,EKF)、传统UKF算法对比,验证改进的自适应比例单形采样无迹卡尔曼滤波(Adaptive Scaled Modified Unscented Kalman Filter,ASMUFK)在实时性与精度方面的性能。最后,建立了SINS/GPS紧组合系统模型,包括适用于EKF算法的量测方程以及适用于UKF算法的非线性量测方程,结合选星算法内容,并运用EKF算法、传统UKF算法与改进ASMUKF算法进行matlab仿真,通过在组合导航系统中的应用,证明改进ASMUKF算法在组合导航高维系统中的优良特性以及改进选星算法在提升系统实时性方面的效果。
马春[9](2020)在《GPS载波相位/INS紧组合导航算法研究》文中研究说明GNSS动态定位在观测环境良好的情况下,可以获得厘米级的定位精度。但是在城市等复杂环境下容易出现信号衰减、遮挡以及中断等现象,从而无法保障其定位精度、连续性和可靠性。GNSS/INS组合导航技术可以提高GNSS的定位精度和连续性,因此被广泛使用。在城市等复杂环境下,传统的松组合易受卫星颗数限制,而基于伪距的紧组合受伪距精度的限制无法满足更高精度应用领域的需求。本文以GPS系统为对象,围绕GPS载波相位/INS紧组合导航算法开展研究,旨在提高GPS动态定位的定位精度、连续性和可靠性,论文的主要研究内容和成果如下:(1)提出了一种周跳探测与修复组合方法,采用电离层残差法和MW组合法探测周跳,然后在此基础上使用伪距与相位比较法和电离层残差法进行修复,最后通过MW宽巷模糊度检验是否修复成功。实验表明,该算法的定位精度和模糊度固定率与单历元解算的结果基本一致,能够用于动态定位的解算。(2)提出了一种组合单频加宽巷观测值的模糊度解算策略,实验表明,该解算策略不仅可以提高GPS模糊度固定成功率,也可以获得更高的动态定位精度。(3)推导了GPS/INS紧组合导航的系统方程和量测方程,提出将GPS模糊度参数附加在GPS/INS状态方程中估计方法和消参策略。实验表明,相比于GPS动态定位,GPS/INS紧组合的模糊度固定率较高,显着提高了定位精度和连续性。(4)在GPS动态定位算法以及GPS/INS紧组合算法的基础上,设计开发了GPS/INS紧组合软件原型,通过两组实验对软件的性能进行了分析。采用不同环境下、不同接收机和惯导等级的GPS数据和紧组合数据进行实验,不仅验证GPS动态定位和紧组合算法的有效性,也检验了软件的可用性。该论文有图69幅,表10个,参考文献95篇。
李宇桐[10](2020)在《基于边缘计算的行人与车辆碰撞预警方法研究》文中研究说明目前我国私家车众多,相应地道路交通流量越来越大,然而机动车驾驶员整体素质却有所下滑,另一个严重问题是道路使用者的欠缺安全意识,导致安全事故逐年增多。其中在车辆行人碰撞事故中由于行人没有专门的装置保护,行人很容易受到伤害,其结果就是在道路安全事故中行人死亡人数逐年攀升。针对这种情况为了保障行人安全,通过研究行人设备和车辆进行通信来对行人和车辆驾驶员进行碰撞预警,从而来降低由于驾驶员没有行人视野和行人被手机分散注意力所导致的交通事故。本文使用边缘计算服务器,实现车辆对周围环境的感知,提出了一种基于边缘计算的车辆行人碰撞避免系统(MECA)。本文主要工作如下:1.MECA使用移动边缘服务器作为中间服务器实时收集其范围内的行人设备和车辆的数据信息,间接实现了车辆和行人设备(UE)的通信,使行人设备也参与到道路安全应用中,不再以车辆为中心。其中行人状态信息通过行人设备获取,车辆信息通过车载单元获取。2.移动边缘服务器收集到信息后,采用扩展卡尔曼滤波器对车辆和行人的未来位置分别进行精确的预测,而不是模糊的划定危险区域,使碰撞点的划分更加精确,从而让碰撞预警更加准确。卡尔曼滤波是从不确定和间接测量估计系统状态的最佳算法。由此发展而来的扩展卡尔曼滤波器被广泛应用于融合各种不同传感器的数据来估计非线性运动物体的位置。实践证明,扩展卡尔曼滤波器传感器能得到运动物体精确位置的最佳估计并且能有效消除传感器产生的误差。3.预测行人和车辆位置之后,如若发生碰撞,则根据行人和车辆到可能发生碰撞地点的距离和当前速度建立碰撞时间范围(TTCR)作为预警的指标,来解决系统误差和车长等的影响。仿真实验结果表明,所提出的轨迹预测算法能够为车辆与行人提供准确的运动关系。同时,提出的碰撞避免算法可以有效地降低碰撞风险。
二、卡尔曼滤波的一种改进算法在GPS中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、卡尔曼滤波的一种改进算法在GPS中的应用(论文提纲范文)
(1)基于Airsim的无人机导航卡尔曼滤波算法改进与仿真实验(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题的背景及意义 |
1.2 研究现状 |
1.2.1 线性滤波方法 |
1.2.2 非线性滤波方法 |
1.2.3 各种滤波方法在GPS/INS组合导航系统中的应用 |
1.3 拟解决的问题与解决思路 |
1.4 主要研究内容与文章结构 |
2 GPS/INS组合导航技术的基本原理 |
2.1 惯性导航系统的工作原理及机械安排 |
2.1.1 惯性导航系统 |
2.1.2 惯性导航的分类 |
2.1.3 惯性导航的基本原理 |
2.1.4 惯性导航系统的误差 |
2.2 GPS导航系统的工作原理 |
2.2.1 GPS背景与起源 |
2.2.2 GPS的构成 |
2.2.3 GPS信号构成 |
2.2.4 GPS定位原理 |
2.3 导航系统的坐标系及其转换 |
2.3.1 空间坐标系 |
2.3.2 直角坐标系间的旋转变换 |
2.4 GPS/INS组合导航系统的原理 |
2.4.1 组合导航的意义和优点 |
2.4.2 组合导航的方式 |
2.4.3 GPS选星算法 |
2.4.4 系统误差方程 |
2.4.5 系统量测方程 |
2.5 本章小结 |
3 卡尔曼滤波算法分析及改进研究 |
3.1 卡尔曼滤波算法 |
3.2 扩展卡尔曼滤波算法 |
3.3 滤波算法改进研究 |
3.4 本章小结 |
4 仿真平台的搭建及其原理介绍 |
4.1 Airsim仿真平台介绍 |
4.1.1 常见的仿真平台分析 |
4.1.2 Airsim的基本原理 |
4.1.3 无人机仿真模型基本组成分析 |
4.1.4 场景模型 |
4.1.5 传感器模型分析 |
4.2 Unreal engine4平台介绍 |
4.3 Python语言简介 |
4.4 本章小结 |
5 仿真实验设计及成果分析 |
5.1 实验平台的搭建 |
5.1.1 系统连接启动 |
5.1.2 动力学验证 |
5.2 仿真平台的传感器验证 |
5.3 松组合系统下的结果分析 |
5.3.1 位置对比实验 |
5.3.2 速度对比实验 |
5.3.3 结论 |
5.4 本章小结 |
6 总结和展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
(2)基于多旋翼无人机海洋气象数据采集系统设计(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 多旋翼无人机在海洋应用方面的发展现状 |
1.2.2 GPS下投式探空仪的研究现状 |
1.2.3 动态测风优化算法研究现状 |
1.3 本文的研究内容和结构安排 |
1.4 本章小结 |
第二章 海洋气象数据采集系统的总体设计 |
2.1 系统总体设计需求分析 |
2.2 系统设计性能指标 |
2.3 系统设计的主要理论基础 |
2.3.1 气象数据采集和处理原理 |
2.3.2 系统动态测风原理 |
2.3.3 风速风向算法 |
2.4 系统设计主要工作 |
2.5 系统功能性测试 |
2.6 本章小结 |
第三章 动态测风优化算法设计 |
3.1 GPS动态定位误差 |
3.1.1 常规测量误差 |
3.1.2 多路径误差 |
3.2 主要误差源建模 |
3.2.1 常规测量误差建模 |
3.2.2 多路径误差建模 |
3.3 GPS动态定位优化算法 |
3.3.1 标准卡尔曼滤波 |
3.3.2 交互式多模型卡尔曼滤波算法 |
3.3.3 GPS下投式探空仪动态模型 |
3.3.4 GPS测量模型 |
3.4 试验仿真及分析 |
3.4.1 多路径误差结果 |
3.4.2 转移概率结果分析 |
3.4.3 卡尔曼滤波结果分析 |
3.5 本章小结 |
第四章 系统硬件设计 |
4.1 多旋翼无人机平台设计 |
4.2 GPS下投式探空仪设计 |
4.2.1 主控模块设计 |
4.2.2 传感器模块设计 |
4.2.3 电源模块设计 |
4.2.4 通信模块 |
4.3 GPS下投式探空仪外形结构及实物展示 |
4.4 本章小结 |
第五章 系统软件设计 |
5.1 GPS下投式探空仪应用程序设计 |
5.1.1 主控程序 |
5.1.2 GPS接收机数据读取 |
5.1.3 动态测风优化算法运算流程 |
5.1.4 通信协议数据包格式 |
5.2 上位机软件设计 |
5.2.1 上位机设计总体框架 |
5.2.2 登录界面模块设计 |
5.2.3 系统控制模块设计 |
5.2.4 数据采集模块 |
5.2.5 GPS下投式探空仪三维运动轨迹显示模块 |
5.2.6 气象数据波形显示模块 |
5.2.7 上位机设计界面展示 |
5.3 本章小结 |
第六章 系统性能测试 |
6.1 实物测试 |
6.1.1 测试前的准备工作 |
6.1.2 系统实物测试 |
6.2 测试结果分析 |
6.2.1 气象数据波形显示结果分析 |
6.2.2 探空仪运动轨迹结果分析 |
6.2.3 动态测风优化算法的可行性分析 |
6.3 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
作者简介 |
(3)基于LiDAR和IMU融合的智能车组合定位导航技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 多传感器组合定位的国内外研究现状 |
1.2.1 激光雷达定位的研究现状 |
1.2.2 多传感器融合定位技术研究现状 |
1.3 SLAM技术国内外研究现状 |
1.3.1 不同传感器的SLAM系统优缺点分析 |
1.3.2 三维激光SLAM国内外研究现状 |
1.4 论文主要内容和组织架构 |
1.4.1 主要研究内容 |
1.4.2 论文组织架构 |
第2章 系统框架总体设计 |
2.1 系统总体框架 |
2.2 硬件系统 |
2.2.1 实验平台 |
2.2.2 传感器硬件设备 |
2.2.3 传感器工作原理及模型 |
2.3 软件系统 |
2.4 本章小结 |
第3章 Li DAR和 IMU融合定位基础 |
3.1 坐标系定义和转换 |
3.1.1 传感器坐标系定义 |
3.1.2 坐标系转换关系 |
3.1.3 捷联惯导常用坐标系 |
3.1.4 坐标系转换关系 |
3.2 传感器时间同步方法 |
3.2.1 统一时钟源 |
3.2.2 获取同一时刻信息 |
3.3 IMU惯导误差模型 |
3.3.1 IMU误差类型 |
3.3.2 IMU误差标定 |
3.3.3 IMU实际模型 |
3.4 激光雷达和IMU惯导的外参标定 |
3.4.1 标定原理及过程 |
3.4.2 坐标标定方案 |
3.5 IMU惯导位姿解算 |
3.5.1 捷联惯导原理和算法设计 |
3.5.2 IMU惯导解算 |
3.6 本章小结 |
第4章 基于Li DAR和 IMU融合的环境建图 |
4.1 基于Li DAR和 IMU融合的建图算法框架 |
4.2 传感器数据预处理 |
4.2.1 激光点云运动畸变去除 |
4.2.2 IMU预积分 |
4.3 基于ESKF的融合定位算法 |
4.3.1 误差状态运动学 |
4.3.2 运动状态预测 |
4.3.3 运动状态更新 |
4.4 激光里程计定位与建图 |
4.4.1 经典ICP点云配准定位 |
4.4.2 改进的ICP点云配准算法 |
4.4.3 基于ESKF的多传感器数据融合 |
4.5 激光点云建图 |
4.6 本章小结 |
第5章 ESKF融合定位的实验分析 |
5.1 实验准备及过程 |
5.1.1 实验软件技术 |
5.1.2 实验设计 |
5.2 ESKF融合定位精度的定量定性分析 |
5.2.1 融合定位精度评价标准 |
5.2.2 实验数据集 |
5.2.3 KITTI数据集 |
5.3 算法运行时间性能评估 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 工作展望 |
参考文献 |
致谢 |
学期间主要科研成果 |
一、发表学术论文 |
(4)融合多源信息的小型多旋翼无人机位姿估计方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
§1.1 研究背景与意义 |
§1.2 国内外研究现状 |
§1.2.1 小型多旋翼无人机的发展必然 |
§1.2.2 位姿传感器误差补偿技术研究现状 |
§1.2.3 无人机位姿多源信息融合技术研究现状 |
§1.3 多旋翼无人机位姿估计的关键问题分析 |
§1.4 论文的主要研究内容与结构安排 |
§1.4.1 主要研究内容 |
§1.4.2 论文章节安排 |
第二章 位姿测量系统中三轴磁强计和加速度计的组合校正 |
§2.1 位姿测量系统坐标系 |
§2.1.1 参考坐标系 |
§2.1.2 无人机姿态角描述 |
§2.1.3 方向余弦、欧拉角和四元数的关系 |
§2.2 无人机航姿传感器误差分析 |
§2.2.1 三轴矢量场传感器误差 |
§2.2.2 航姿角度误差 |
2.3 三轴加速度计和磁强计组合校正 |
§2.3.1 标量校验法 |
§2.3.2 标量校验法校正矢量传感器 |
§2.3.3 标量校验法校正小结 |
§2.4 双矢量传感器的两步校正算法 |
§2.4.1 矢量内积法 |
§2.4.2 两步法校正 |
§2.4.3 两步法数值模拟及实验验证 |
§2.5 三轴矢量传感器校正的双内积法 |
§2.5.1 基于双内积的校正误差原理 |
§2.5.2 非线性优化算法实现 |
§2.6 三轴矢量传感器校正算法数值仿真 |
§2.7 实验验证 |
§2.7.1 模块实验流程及结果 |
§2.7.2 多模块实验测试 |
§2.7.3 无人机悬停实验 |
§2.7.4 实验分析 |
§2.8 本章小结 |
第三章 基于矢量参考的三轴陀螺仪误差标定方法 |
§3.1 MEMS陀螺仪的原理及误差模型分析 |
§3.1.1 三轴MEMS陀螺仪的结构及原理 |
§3.1.2 三轴陀螺仪误差模型 |
§3.2 基于矢量外积标定三轴陀螺仪 |
§3.2.1 陀螺仪现场标定方法分析 |
§3.2.2 基于重力矢量的陀螺仪标定算法 |
§3.2.3 陀螺仪矢量外积标定算法 |
§3.3 数值模拟 |
§3.3.1 叉积标定法积分形式数值模拟 |
§3.3.2 积分形式叉积标定法与Fong标定法数值对比 |
§3.3.3 叉积标定法微分形式数值模拟 |
§3.3.4 仿真分析 |
§3.4 实验验证 |
§3.4.1 采用转台的标定 |
§3.4.2 叉积法标定 |
§3.5 本章小结 |
第四章 多旋翼无人机航姿抗干扰融合滤波方法 |
§4.1 多旋翼无人机航姿信息融合结构与算法设计 |
§4.1.1从Kalman到 Sage-Husa自适应滤波算法 |
§4.1.2 基于矢量参考的互补滤波算法设计 |
§4.2 多旋翼无人机航姿解算与信息融合 |
§4.2.1 基于陀螺仪的姿态解算 |
§4.2.2 基于加速度计与磁强计的姿态解算 |
§4.2.3 航姿信息融合系统建模 |
§4.2.4 姿态信息融合算法验证 |
§4.3 多旋翼无人机运动加速度补偿算法设计 |
§4.3.1 算法思想及流程 |
§4.3.2 算法验证 |
§4.4 加速度和磁场干扰抑制算法设计 |
§4.4.1 双干扰模式下的误差模型 |
§4.4.2 干扰抑制算法设计 |
§4.5 抗干扰航姿融合滤波算法验证与分析 |
§4.5.1 实验配置及流程 |
§4.5.2 实验算法验证 |
§4.6 本章小结 |
第五章 多旋翼无人机位姿信息融合及容错方法 |
§5.1 多旋翼无人机位姿信息融合结构设计 |
§5.1.1 多旋翼无人机位姿信息融合结构方案设计 |
§5.1.2 无人机位置-速度融合结构模型 |
§5.1.3 无人机高度-速度融合结构模型 |
§5.2 基于多传感器信息的联邦卡尔曼滤波 |
§5.2.1 联邦卡尔曼滤波基本原理 |
§5.2.2 联邦滤波器的等价性分析 |
§5.2.3 联邦滤波器与集中滤波器的性能对比 |
§5.3 容错联邦滤波器信息分配及算法流程 |
§5.3.1 信息分配原则 |
§5.3.2 信息分配系数对融合性能的影响 |
§5.3.3 基于权衡因子的自适应信息分配策略 |
§5.3.4 信息分配流程及仿真分析 |
§5.3.5 无人机飞行验证 |
§5.4 本章小结 |
第六章 总结和展望 |
§6.1 本文的主要工作与创新 |
§6.2 展望 |
参考文献 |
致谢 |
作者在攻读博士期间的主要研究成果 |
(5)复杂环境中基于CKF的组合导航算法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景与意义 |
1.1.1 课题研究背景 |
1.1.2 课题研究意义 |
1.2 国内外研究现状 |
1.2.1 组合导航中滤波算法的研究 |
1.2.2 组合导航中人工智能方法的研究 |
1.3 论文研究内容 |
1.4 论文组织安排结构 |
第2章 组合导航技术基础理论 |
2.1 导航系统坐标系转换 |
2.1.1 常用坐标系 |
2.1.2 坐标系间的转换 |
2.2 惯性导航系统基础理论 |
2.2.1 INS的简介 |
2.2.2 INS的机械编排 |
2.2.3 INS的误差方程 |
2.3 GNSS/INS组合导航模型 |
2.3.1 组合导航的组合模式 |
2.3.2 组合导航的滤波算法 |
2.4 本章小结 |
第3章 基于IMM的改进容积卡尔曼滤波算法研究 |
3.1 容积卡尔曼滤波算法 |
3.1.1 球面-径向准容积则 |
3.1.2 CKF算法流程 |
3.2 改进的容积卡尔曼滤波算法 |
3.2.1 鲁棒容积卡尔曼滤波 |
3.2.2 自适应容积卡尔曼滤波 |
3.3 交互式多模型自适应鲁棒容积卡尔曼滤波算法 |
3.3.1 交互式多模型算法 |
3.3.2 交互式多模型自适应鲁棒容积卡尔曼滤波 |
3.4 实验验证及结果分析 |
3.4.1 仿真实验 |
3.4.2 实际道路实验 |
3.5 本章小结 |
第4章 基于门控循环单元神经网络的组合导航算法研究 |
4.1 神经网络的选取 |
4.2 门控循环单元神经网络的基本原理 |
4.3 基于GRU神经网络的组合导航算法 |
4.4 实验验证及结果分析 |
4.4.1 GRU神经网络的参数选择 |
4.4.2 实验方案设计 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 论文工作总结 |
5.2 未来工作展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(6)无人车视觉定位中非线性滤波方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 课题研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 视觉定位技术 |
1.2.2 非线性滤波技术 |
1.3 本文主要内容与章节安排 |
2 相关基础理论 |
2.1 立体视觉里程计的基本原理 |
2.1.1 立体视觉里程计系统框架 |
2.1.2 立体视觉里程计的工作原理 |
2.2 视觉里程计模型 |
2.2.1 坐标转换 |
2.2.2 相机模型 |
2.3 惯性传感器模型 |
2.4 本章小结 |
3 图像的特征点匹配与运动估计 |
3.1 图像的特征点提取算法 |
3.1.1 Harris特征提取算法 |
3.1.2 SIFT特征提取算法 |
3.1.3 Harris-SIFT特征提取算法 |
3.2 图像的特征匹配算法 |
3.3 运动估计 |
3.4 视觉里程计仿真实验 |
3.5 本章小结 |
4 基于强跟踪CKF的立体视觉定位算法 |
4.1 模型的建立 |
4.2 基于强跟踪CKF的立体视觉定位算法 |
4.2.1 容积卡尔曼滤波算法 |
4.2.2 基于强跟踪CKF的立体视觉定位方法 |
4.3 仿真实验 |
4.4 本章小结 |
5 基于粒子流滤波的立体视觉定位方法 |
5.1 粒子滤波理论 |
5.2 粒子流滤波理论 |
5.2.1 粒子流滤波原理 |
5.2.2 基于参量近似法的粒子流滤波实现 |
5.3 基于粒子流滤波的立体视觉定位方法 |
5.4 粒子流滤波仿真实验 |
5.5 本章小结 |
6 实验与分析 |
6.1 实验平台搭建 |
6.1.1 无人车实验平台 |
6.1.2 摄像机 |
6.2 数据采集和处理 |
6.3 实验结果分析 |
6.4 本章小结 |
7 总结与展望 |
7.1 本文工作总结 |
7.2 未来工作展望 |
参考文献 |
攻读硕士学位期间发表的论文及成果 |
致谢 |
(7)车载GPS/INS组合定位研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.1.1 自动驾驶等级对应定位精度需求 |
1.1.2 GPS/INS组合定位系统研究现状与发展 |
1.2 论文主要研究内容 |
第二章 INS基本原理及误差模型 |
2.1 坐标系及其转换原理 |
2.1.1 坐标系基础 |
2.1.2 常用坐标系的转换 |
2.2 INS算法模型 |
2.2.1 惯性定位系统基本理论 |
2.2.2 姿态算法 |
2.2.3 速度算法 |
2.2.4 位置算法 |
2.3 INS误差模型 |
2.3.1 姿态误差模型 |
2.3.2 速度误差模型 |
2.3.3 位置误差模型 |
2.3.4 加速度计误差及陀螺漂移误差 |
2.4 本章小结 |
第三章 GPS基本原理及误差模型 |
3.1 GPS组成部分 |
3.2 GPS误差模型 |
3.2.1 星历误差 |
3.2.2 卫星时钟误差 |
3.2.3 电离层误差 |
3.2.4 对流层产生的误差延迟 |
3.2.5 多路径干扰效应误差 |
3.3 GPS单点定位原理 |
3.4 GPS差分原理 |
3.5 LAMBDA方法获取整周模糊度固定解 |
3.6 本章小结 |
第四章 基于载波相位差分的GPS/INS紧组合定位研究 |
4.1 GPS/INS松组合模式 |
4.1.1 GPS/INS松组合 |
4.1.2 GPS/INS松组合状态方程 |
4.1.3 GPS/INS松组合观测方程 |
4.2 GPS/INS紧组合模式 |
4.2.1 GPS/INS紧组合基本原理 |
4.2.2 基于伪距和伪距率的GPS/INS紧组合 |
4.2.3 基于载波相位差分的GPS/INS紧组合 |
4.2.4 基于归一化新息检测的卡尔曼滤波算法 |
4.3 组合系统的优化 |
4.3.1 组合系统时间同步措施 |
4.3.2 基于零速检测技术的静止状态判定与修正 |
4.3.3 组合系统加权融合 |
4.4 本章小结 |
第五章 硬件平台及软件设计 |
5.1 硬件平台 |
5.1.1 GPS定位模块 |
5.1.2 惯性定位模块 |
5.1.3 数据处理模块 |
5.1.4 整体原型机 |
5.1.5 车辆轮速编码器 |
5.2 程序设计 |
5.2.1 紧组合定位主程序流程图 |
5.2.2 GPS数据获取程序设计 |
5.2.3 IMU数据获取程序设计 |
5.2.4 GPS/INS双系统时间同步的实现 |
5.2.5 后轮车速计算 |
5.3 本章小结 |
第六章 测试验证及分析 |
6.1 测试平台及测试环境 |
6.2 零速检测及修正算法测试 |
6.2.1 零速检测及修正算法静态测试 |
6.2.2 零速检测及修正算法动态测试 |
6.3 松组合模式与紧组合模式对比测试 |
6.3.1 松组合与紧组合在空旷区域对比测试 |
6.3.2 松组合与紧组合在半遮蔽区域对比测试 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 工作总结 |
7.2 工作展望 |
参考文献 |
致谢 |
攻读学位期间的主要科研成果 |
(8)基于UKF的SINS/GPS紧组合算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题研究的背景与意义 |
1.2 组合导航系统及发展概况 |
1.2.1 SINS/GPS组合导航技术 |
1.2.2 国内外发展现状 |
1.3 非线性滤波理论发展 |
1.4 研究内容及结构安排 |
第2章 组合导航基础理论 |
2.1 导航坐标系及其坐标变换 |
2.1.1 导航常用坐标系 |
2.1.2 坐标系转换关系 |
2.1.3 导航常用参数 |
2.2 捷联惯导系统 |
2.2.1 捷联惯导系统基本原理 |
2.2.2 姿态解算方程 |
2.2.3 速度解算方程 |
2.2.4 位置解算方程 |
2.3 GPS导航系统 |
2.3.1 GPS基本原理 |
2.3.2 GPS误差综述 |
2.4 非线性卡尔曼滤波理论 |
2.4.1 非线性卡尔曼滤波基本原理 |
2.4.2 非线性卡尔曼在组合导航系统中的应用 |
2.5 本章小结 |
注释 |
第3章 GPS高实时性选星算法设计 |
3.1 GPS定位精度相关性分析 |
3.1.1 精度因子概述 |
3.1.2 星座几何分布 |
3.2 传统选星算法 |
3.3 GPS卫星可见性分析及选星改进 |
3.3.1 GPS卫星可见性分析 |
3.3.2 快速选星算法改进 |
3.4 GPS改进选星算法仿真分析 |
3.5 本章小结 |
注释 |
第4章 UKF算法及其改进 |
4.1 UT变换 |
4.1.1 比例对称分布采样 |
4.1.2 比例最小偏度单形采样 |
4.2 UKF算法实现 |
4.3 基于自适应比例单形采样的改进ASMUKF算法 |
4.3.1 比例因子对UT变换精度的影响 |
4.3.2 自适应比例因子构造 |
4.3.3 改进ASMUKF算法 |
4.4 改进ASMUKF性能分析 |
4.4.1 时间更新过程中精度分析 |
4.4.2 改进ASMUKF算法总计算复杂度分析 |
4.5 仿真验证 |
4.5.1 仿真精度对比分析 |
4.5.2 系统实时性对比分析 |
4.6 本章小结 |
注释 |
第5章 SINS/GPS紧组合导航系统模型 |
5.1 SINS/GPS组合系统状态方程建立 |
5.1.1 SINS误差方程 |
5.1.2 GPS误差方程 |
5.1.3 紧组合系统状态方程 |
5.2 SINS/GPS组合系统量测方程 |
5.2.1 适用于EKF算法的量测方程建立 |
5.2.2 适用于UKF算法的量测方程建立 |
5.3 基于改进ASMUKF算法的紧组合仿真 |
5.3.1 仿真参数设置 |
5.3.2 改进ASMUKF算法紧组合仿真分析 |
5.3.3 采用改进选星算法的紧组合系统仿真 |
5.3.4 GPS受到干扰时紧组合系统仿真 |
5.4 本章小结 |
注释 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文和取得的科研成果 |
致谢 |
(9)GPS载波相位/INS紧组合导航算法研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.3 主要研究内容 |
1.4 论文的组织结构 |
2 INS基础理论与导航算法 |
2.1 常用坐标系及其转换 |
2.2 INS机械编排 |
2.3 INS误差方程 |
2.4 INS初始化和对准算法 |
2.5 本章小结 |
3 GPS周跳探测与模糊度求解 |
3.1 GPS基础理论 |
3.2 周跳探测与修复新方法 |
3.3 单频与宽巷组合解算模糊度方法 |
3.4 实验分析 |
3.5 本章小结 |
4 基于载波相位的GPS/INS紧组合导航 |
4.1 GPS/INS紧组合导航系统的滤波算法 |
4.2 基于载波相位的GPS/INS紧组合导航模型 |
4.3 实验分析 |
4.4 本章小结 |
5 GPS/INS紧组合软件程序设计及性能分析 |
5.1 GPS/INS紧组合软件程序设计 |
5.2 实验描述 |
5.3 GPS动态定位性能分析 |
5.4 GPS/INS紧组合性能分析 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(10)基于边缘计算的行人与车辆碰撞预警方法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.2.3 当前工作存在的不足 |
1.3 论文主要内容和组织结构 |
第二章 相关技术和理论基础 |
2.1 边缘计算理论基础 |
2.1.1 边缘计算的概述 |
2.1.2 边缘计算和云计算 |
2.1.3 移动边缘计算 |
2.1.4 MEC在车联网中的应用 |
2.2 卡尔曼滤波器 |
2.2.1 卡尔曼滤波器概述 |
2.2.2 卡尔曼滤波器的应用 |
2.3 智能手机GPS定位单元 |
2.3.1 手机GPS模块定位原理 |
2.3.2 卡尔曼滤波器在GPS中的应用 |
2.4 车辆定位单元 |
2.5 机动目标运动模型 |
2.5.1 CV和CA运动模型 |
2.5.2 CTRA运动模型 |
2.5.3 “当前”统计模型(CS) |
2.5.4 传感器融合技术 |
2.6 本章小结 |
第三章 车辆与行人碰撞预警算法 |
3.1 预警系统的组成和模型 |
3.2 车辆轨迹预测 |
3.2.1 卡尔曼滤波器 |
3.2.1.1 基本动态系统模型 |
3.2.1.2 卡尔曼滤波器的建立 |
3.2.1.3 扩展卡尔曼滤波器 |
3.2.1.4 无迹卡尔曼滤波器 |
3.2.2 车辆轨迹预测算法 |
3.2.2.1 EKF轨迹预测 |
3.2.2.2 UKF算法轨迹预测 |
3.2.3 车载传感器融合步骤 |
3.3 行人轨迹预测算法 |
3.3.1 行人轨迹预测自适应EKF算法 |
3.3.1.1 系统方程的建立 |
3.3.1.2 量测方程的建立 |
3.3.1.3 扩展离散卡尔曼滤波器方程的建立 |
3.3.1.4 自适应算法的建立 |
3.3.2 对自适应卡尔曼滤波的改进 |
3.3.2.1 引入调整系数α |
3.3.2.2 引入自适应加权因子d |
3.3.2.3 引入自适应调节量β |
3.4 交通路口中车辆行人碰撞避免算法 |
3.5 本章小结 |
第四章 实验的仿真和性能评估 |
4.1 性能评估参数的设定 |
4.2 仿真实验的设置 |
4.3 仿真实验的具体步骤 |
4.3.1 不同车速和行人速度情形下的N_t |
4.4 试验结果及分析 |
4.4.1 车辆轨迹预测效果 |
4.4.2 自适应卡尔曼滤波效果 |
4.4.3 TTCR和 TTC的对比 |
4.4.4 车速不同时对系统的影响 |
4.4.5 行人速度不同时对系统的影响 |
4.4.6 和之前工作的对比 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 本文工作总结 |
5.2 未来工作的展望 |
致谢 |
参考文献 |
附录 A 攻读学位期间发表论文目录 |
附录 B 攻读学位期间参与的研究工作 |
四、卡尔曼滤波的一种改进算法在GPS中的应用(论文参考文献)
- [1]基于Airsim的无人机导航卡尔曼滤波算法改进与仿真实验[D]. 张旭. 东华理工大学, 2021
- [2]基于多旋翼无人机海洋气象数据采集系统设计[D]. 方磊. 南京信息工程大学, 2021(01)
- [3]基于LiDAR和IMU融合的智能车组合定位导航技术研究[D]. 崔海路. 齐鲁工业大学, 2021(10)
- [4]融合多源信息的小型多旋翼无人机位姿估计方法研究[D]. 王勇军. 桂林电子科技大学, 2021
- [5]复杂环境中基于CKF的组合导航算法研究[D]. 毋羽琦. 太原理工大学, 2021(01)
- [6]无人车视觉定位中非线性滤波方法研究[D]. 李磊. 西安工业大学, 2021(02)
- [7]车载GPS/INS组合定位研究[D]. 刘潘. 广西大学, 2020(07)
- [8]基于UKF的SINS/GPS紧组合算法研究[D]. 彭万林. 哈尔滨工程大学, 2020(05)
- [9]GPS载波相位/INS紧组合导航算法研究[D]. 马春. 中国矿业大学, 2020(01)
- [10]基于边缘计算的行人与车辆碰撞预警方法研究[D]. 李宇桐. 昆明理工大学, 2020(05)